Phonon vs VoxCPM2: cosa compra davvero il 64× in più di parametri nel TTS

VoxCPM2 è un modello vocale da 2 miliardi di parametri di OpenBMB, rilasciato nell'aprile 2026, che parla 30 lingue a 48 kHz e può inventare una voce a partire da una descrizione scritta. Phonon 31M è un modello da 31 milioni di parametri di Gradium, rilasciato il 20 ottobre 2026, che parla inglese a 24 kHz con 37 voci fisse e occupa 64,5 MB. Il rapporto tra i parametri è di circa 64 a 1, e la parte sorprendente non è che il modello più grande faccia di più. È che sull'unico numero che entrambi i fornitori pubblicano — il tasso di errore sulle parole inglesi su Seed-TTS — il modello più piccolo dichiara il punteggio migliore.

Quell'affermazione quasi certamente non è un confronto equo, e capire perché ti dice di più sullo stato del TTS open source di quanto faccia il post di lancio di uno dei due modelli. VoxCPM2 e Phonon 31M sono entrambi Apache 2.0, entrambi scaricabili ed entrambi pensati per team che vogliono la sintesi vocale senza un costo per carattere. Sono pensati per hardware completamente diversi.

Due lavori diversi con la stessa etichetta

VoxCPM2 è un generatore vocale multilingue di uso generale. È senza tokenizer e diffusion-autoregressivo, opera nello spazio latente di AudioVAE V2 attraverso quattro fasi che gli autori chiamano LocEnc, TSLM, RALM e LocDiT, su un backbone MiniCPM-4. Supporta la progettazione della voce a partire da una descrizione in linguaggio naturale, la clonazione controllabile da un breve riferimento e la clonazione in stile continuazione che utilizza sia una clip di riferimento sia la sua trascrizione. Restituisce audio a 48 kHz e accetta audio di riferimento a 16 kHz.

Phonon 31M è un sintetizzatore monolingue e a scopo unico. È un transformer flow-matching sui latenti di Mimi, frame da 80 millisecondi alla volta, decodificati in mono a 24 kHz. Non dispone di voice design, di clonazione da un clip di riferimento nell'API documentata, né di rilevamento della lingua. Dispone di un catalogo di voci, di un input testuale e di un runtime che si avvia in millisecondi a una cifra.

Definire entrambi "TTS aperto" è corretto ma poco utile. Uno è una piattaforma di ricerca sul parlato; l'altro è un componente embedded.

Dove va il 64×

Il budget dei parametri compra quattro cose, e tutte e quattro sono visibili nella scheda tecnica piuttosto che nel test di ascolto.

• Lingue — 30 più nove dialetti cinesi per VoxCPM2; solo inglese per Phonon 31M.

• Frequenza di uscita — 48 kHz nativi per VoxCPM2; 24 kHz mono per Phonon 31M.

Creazione vocale — progettazione della voce basata su descrizione e tre modalità di clonazione per VoxCPM2; 37 voci integrate più un catalogo di voci personalizzate per Phonon 31M.

• Requisiti hardware minimi — circa 8 GB di VRAM su una RTX 4090 per VoxCPM2; 64,5 MB e un core CPU per Phonon 31M.

• Velocità — circa 0,30 come fattore tempo reale su una RTX 4090 per VoxCPM2, oppure 0,13 con Nano-vLLM; da 26 a 41 volte più veloce del tempo reale su un core di laptop per Phonon 31M, secondo il README di Gradium.

• Licenza — Apache 2.0 per entrambi.

Il confronto WER non è un confronto

Il rapporto tecnico di VoxCPM2 riporta un WER inglese di 1,84 su Seed-TTS-eval, con una similarità del parlante di 75,3. La model card di Phonon riporta 0,51 su Seed-TTS per Phonon 31M. Letti fianco a fianco, sembra una disfatta: un modello da 31M che batte un modello da 2B sull'intelligibilità di un fattore tre.

Non lo è. I due numeri provengono da harness diversi, probabilmente da set di riferimento diversi e quasi certamente da modelli di trascrizione diversi usati per valutare l'output. La metodologia pubblicata da Gradium per la sua precedente valutazione usava la porzione inglese di Seed-TTS — 1.008 enunciati — trascritti con whisper-large-v3 e valutati con la distanza di edit. Il rapporto tecnico di OpenBMB non usa la stessa pipeline nelle cifre riportate sulla pagina del suo modello. Nessuno dei due fornitori ha fatto passare il checkpoint dell'altro nel proprio harness, e nessuna terza parte ha pubblicato un confronto diretto.

Ciò che i numeri supportano è un'affermazione più debole, ma comunque utile: entrambi i modelli rientrano nell'intervallo di WER a una cifra bassa sui set di test standard in inglese, il che significa che entrambi sono sufficientemente intelligibili per il lavoro di lettura ad alta voce in produzione. L'idea che 31M parametri non possano produrre un inglese pulito è semplicemente falsa nel 2026. Anche l'idea che 31M parametri possano eguagliare un modello da 2B su 30 lingue è falsa, e nessuno dei due fornitori lo sostiene.

C’è un secondo motivo per diffidare del titolo: i documenti di Gradium non concordano tra loro. Il blog di rilascio assegna a Phonon 31M un WER fissato rigidamente all’1,70%, la model card indica l’1,5%, e il README del runtime non pubblica alcun WER. Quando tre documenti di un fornitore differiscono del 13% sulla stessa metrica, la risposta giusta è trattare il valore come un intervallo.

La soglia hardware è la vera decisione

VoxCPM2 richiede una GPU. La configurazione di riferimento prevede circa 8 GB di VRAM e il modello funziona a circa un terzo del tempo reale su una RTX 4090 senza uno stack di serving ottimizzato. Su un Apple M4 Pro con quantizzazione Q8_0 il fattore in tempo reale è circa 1,76, il che significa che servono 1,76 secondi di calcolo per produrre un secondo di audio — più lento del tempo reale e non praticabile per una conversazione dal vivo su quell'hardware. Con Nano-VLLM il fattore scende a circa 0,13, il che è veloce, ma si tratta di uno stack di serving con i propri costi operativi.

Il limite inferiore di Phonon 31M è un core CPU. Il README di Gradium riporta 26 volte il tempo reale su un core di MacBook Air M5, 22 volte sul Neural Engine di un iPhone 16 Pro e 2,3 volte su un Raspberry Pi 5. Le cifre del blog di annuncio sono diverse — 11,6 volte su un core, 3,7 volte sul Pi — ma ogni versione del numero descrive un dispositivo che sta in una mano.

Questo non è un discorso di qualità. Un rendering VoxCPM2 a 48 kHz tramite GPU suonerà meglio di un rendering Phonon a 24 kHz, ed è giusto che sia così. La domanda è se il tuo prodotto può permettersi una GPU per ogni flusso simultaneo. Per una pipeline di doppiaggio lato server, sì. Per un'app per smartphone che deve funzionare su un aereo, no.

Progettazione vocale rispetto a un cast fisso

La caratteristica più distintiva di VoxCPM2 è il voice design: una descrizione tra parentesi nel prompt testuale genera una voce senza alcun audio di riferimento. Aggiungi il clonaggio controllabile, in cui una breve clip imposta il timbro e un'istruzione di stile imposta la resa, e ottieni un sistema per produrre un cast di personaggi anziché leggere un copione.

Phonon non ha nulla di tutto ciò. Le sue 37 voci inglesi sono un insieme fisso, e le voci personalizzate richiedono un file .safetensors invece di una frase descrittiva. Si tratta di una semplificazione deliberata: un catalogo di voci è più facile da verificare, più facile da concedere in licenza e impossibile da indurre con un prompt a dire qualcosa con la voce di una celebrità. Per le implementazioni sensibili alla conformità, il vincolo è un vantaggio. Per il lavoro creativo, è un muro.

Entrambi sono Apache 2.0, il che cambia la valutazione.

Questa è la parte che rende il confronto più pulito rispetto agli altri confronti di Phonon. VoxCPM2 è Apache 2.0 per codice e pesi. Phonon 31M è Apache 2.0 per i pesi, con il runtime sotto MIT o Apache-2.0. A differenza dei checkpoint 40M di Gradium, che sono CC BY-NC 4.0 e inutilizzabili in prodotti commerciali senza un accordo, entrambi questi possono essere distribuiti.

La differenza di licenza all'interno della stessa famiglia di Gradium merita di essere ripetuta, perché è facile non notarla: il modello che suona meglio — Phonon 40M, con un Elo di 2.117 contro 2.098 per il 31M — è quello che non puoi usare commercialmente. Il modello Apache 2.0 è quello più piccolo, solo in inglese.

Dove ciascuno vince

Scegli VoxCPM2 quando hai bisogno di lingue oltre l'inglese, di un'uscita a 48 kHz, di progettazione vocale, clonazione o narrazione di lunga durata, e quando una GPU fa già parte della distribuzione. È anche la scelta migliore per la ricerca sul TTS multilingue, perché il checkpoint, il rapporto tecnico e il set di valutazione sono tutti pubblici.

Scegli Phonon 31M quando l'audio deve essere generato sul dispositivo, quando l'inglese è sufficiente, quando il set vocale può essere fisso e quando un download da 64 MB è la differenza tra rilasciare e non rilasciare. Giochi, strumenti di accessibilità, chioschi, funzionalità del browser e assistenti offline sono il suo territorio. Un modello 2B non può seguirlo lì, e non ci sta provando.

OrcaRouter non ospita nessuno dei due modelli — VoxCPM2 viene servito tramite vLLM-Omni o un runtime locale, e Phonon gira sul tuo hardware. Il livello di routing è rilevante un livello più in alto nello stack, dove viene generato il testo per la voce: più di 200 modelli linguistici dietro un'unica chiave, prezzo di listino del provider applicato con ricarico 0%, e failover automatico quando un provider vacilla. Il TTS resta dove deve stare; la generazione del testo può spostarsi.

Cosa dovrebbe chiarire il prossimo benchmark

L'esperimento mancante è ovvio e nessuno lo ha eseguito: entrambi i checkpoint, un set di test, un modello di trascrizione, un unico scorer, pubblicati insieme all'audio. Finché non esisterà, la posizione onesta è che VoxCPM2 è il sistema più capace e Phonon 31M quello più facilmente distribuibile, e il confronto WER 0,51 contro 1,84 è una coincidenza di metodologia più che un risultato.

Ciò che non è in dubbio è la direzione di marcia. Un modello inglese da 64 MB nell'ottobre 2026 è credibile per le attività di lettura ad alta voce in produzione, in un modo in cui un modello da 64 MB non lo sarebbe stato all'inizio del 2025. La domanda interessante per il prossimo ciclo di rilascio non è se un modello piccolo possa eguagliare uno grande sull'inglese. È se il modello piccolo possa acquisire una seconda lingua senza raddoppiare di dimensioni. Il checkpoint multilingue da 40M di Gradium è un primo tentativo, e la sua licenza non commerciale suggerisce che l'azienda non abbia ancora deciso come venderlo.